CN113378664A - 基于半非负矩阵分解的高光谱图像变化检测方法和*** - Google Patents

基于半非负矩阵分解的高光谱图像变化检测方法和*** Download PDF

Info

Publication number
CN113378664A
CN113378664A CN202110580693.6A CN202110580693A CN113378664A CN 113378664 A CN113378664 A CN 113378664A CN 202110580693 A CN202110580693 A CN 202110580693A CN 113378664 A CN113378664 A CN 113378664A
Authority
CN
China
Prior art keywords
matrix
image
hyperspectral image
nonnegative
semi
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110580693.6A
Other languages
English (en)
Other versions
CN113378664B (zh
Inventor
徐光宪
张新月
马飞
刘超
倪霁北
王延威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202110580693.6A priority Critical patent/CN113378664B/zh
Publication of CN113378664A publication Critical patent/CN113378664A/zh
Application granted granted Critical
Publication of CN113378664B publication Critical patent/CN113378664B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种基于半非负矩阵分解的高光谱图像变化检测方法和***，包括：对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到分块图像的特征矩阵，其中，第一高光谱图像和第二高光谱图像为同一地理区域的多时相影像，大小均为M×N×L，M表示多时相影像的横轴的像素数，N表示多时相影像的纵轴的像素数，L表示波段数；分块图像的大小为2×2×L；特征矩阵的大小为3×MN；基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，得到非负矩阵，其中，非负矩阵的大小为2×MN；对根据非负矩阵得到的变化图像矩阵进行转换，得到二值变化图；其中，二值变化图表征第一高光谱图像和第二高光谱图像之间的图像变化。

Description

基于半非负矩阵分解的高光谱图像变化检测方法和***
技术领域
本申请涉及图像处理技术领域，特别涉及一种基于半非负矩阵分解的高光谱图像变化检测方法和***。
背景技术
预计遥感卫星高光谱图像的可用性将日益增加，为地球观测提供了重要而独特的数据源。高分辨率遥感图像的特点是在较宽的光谱波长范围内进行详细的光谱采样，这使得在精细的光谱尺度上监测土地覆盖变化成为可能。这是由于它能够检测与土地覆盖变化相关的多时相图像中细微的光谱变化。遥感图像变化检测是指通过比价分析同一区域不同时刻的两幅或多幅遥感图像获取目标区域的变化信息。由于高光谱图像携带丰富的光谱信息与空间分布信息等优点，因此，高光谱图像在森林生态***以及城乡规划的变化检测应用中具有非常重要的意义。传统的变化检测方法主要有：基于比较运算符、基于相似度量、基于数据变换计算和基于聚类的算法，其中基于相似度量的方法有较多优势，但是相邻波段的信息冗余可能会影响变化幅度，从而影响变化检测的性能，且由于受到光谱阴影、噪声、天气与光照条件的影响，使得高光谱图像变化特征难以准确提取。
因此，需要提供一种针对上述现有技术不足的改进技术方案。
发明内容
本申请的目的在于提供一种基于半非负矩阵分解的高光谱图像变化检测方法和***，以解决或缓解上述现有技术中存在的问题。
为了实现上述目的，本申请提供如下技术方案：
本申请提供了一种基于半非负矩阵分解的高光谱图像变化检测方法，包括：步骤S101、对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到分块图像的特征矩阵，其中，第一高光谱图像和第二高光谱图像为同一地理区域的多时相影像，大小均为M×N×L，M表示多时相影像的横轴的像素数，N表示多时相影像的纵轴的像素数，L表示波段数；分块图像的大小为2×2×L；特征矩阵的大小为3×MN；步骤S102、基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，得到非负矩阵，其中，非负矩阵的大小为2×MN；步骤S103、对根据非负矩阵得到的变化图像矩阵进行转换，得到二值变化图；其中，变化图像矩阵的大小为M×N，二值变化图表征第一高光谱图像和第二高光谱图像之间的图像变化。
优选的，步骤S101包括：对根据第一高光谱图像和第二高光谱图像生成的差分图像进行分块，得到分块图像；采用仿射集拟合，对分块图像进行特征提取，得到特征矩阵。
优选的，在步骤S101中，对第一高光谱图像的波段和第二高光谱图像的波段逐个相减，得到差分图像。
优选的，步骤S102具体为：基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，生成无约束矩阵子问题和非负矩阵子问题，并对无约束矩阵子问题和非负矩阵子问题进行迭代求解，得到非负矩阵。
优选的，在步骤S102中，响应于无约束矩阵子问题和非负矩阵子问题连续两次迭代结果的相对差小于0.001，停止迭代。
优选的，对无约束矩阵子问题和非负矩阵子问题进行迭代求解具体为：基于最小二乘法，对无约束矩阵子问题进行迭代求解，得到无约束矩阵；基于交替方向乘子法，对非负矩阵子问题进行迭代求解，得到非负矩阵。
优选的，在步骤S102中，响应于基于交替方向乘子法，对非负矩阵子问题进行迭代求解达到预设迭代次数，停止迭代。
优选的，在步骤S103中：对非负矩阵的两行进行对应比较得到的MN维向量进行还原，得到变化图像矩阵。
本申请实施例还提供一种基于半非负矩阵分解的高光谱图像变化检测***，包括：图像分块单元，配置为对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到分块图像的特征矩阵，其中，第一高光谱图像和第二高光谱图像为同一地理区域的多时相影像，大小均为M×N×L，M表示多时相影像的横轴的像素数，N表示多时相影像的纵轴的像素数，L表示波段数；分块图像的大小为2×2×L；特征矩阵的大小为3×MN；矩阵分解单元，配置为基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，得到非负矩阵，其中，非负矩阵的大小为2×MN；转换单元，配置为对根据非负矩阵得到的变化图像进行转换，得到二值变化图；其中，二值变化图表征第一高光谱图像和第二高光谱图像之间的图像变化。
有益效果：
本申请实施例提供的技术方案中，通过对同一地理区域不同时间的第一高光谱图像和第二高光谱图像得到的分块图像，进行特征提取，挖掘出空间上两个对应谱向量之间的变化模式，生成特征矩阵；继而基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，来识别变化信息，得到变化图像矩阵；最后，对变化图像矩阵进行转换，得到同一地理区域的多时相影像之间的图像变化。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。其中：
图1为根据本申请的一些实施例提供的一种基于半非负矩阵分解的高光谱图像变化检测方法的流程示意图；
图2为根据本申请的一些实施例提供的基于半非负矩阵分解的高光谱图像变化检测方法中步骤S101的流程示意图；
图3为根据本申请的一些实施例提供的一种基于半非负矩阵分解的高光谱图像变化检测***的示意图；
图4为根据本申请的一些实施例提供的图像分块单元的结构示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
在本申请的描述中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请而不是要求本申请必须以特定的方位构造和操作，因此不能理解为对本申请的限制。本申请中使用的术语“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间部件间接相连；可以是有线电连接、无线电连接，也可以是无线通信信号连接，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
示例性方法
图1为根据本申请的一些实施例提供的一种基于半非负矩阵分解的高光谱图像变化检测方法的流程示意图；如图1所示，该基于半非负矩阵分解的高光谱图像变化检测方法包括：
步骤S101、对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到分块图像的特征矩阵，其中，第一高光谱图像和第二高光谱图像为同一地理区域的多时相影像，大小均为M×N×L，M表示多时相影像的横轴的像素数，N表示多时相影像的纵轴的像素数，L表示波段数；分块图像的大小为2×2×L；特征矩阵的大小为3×MN；
在本申请实施例中，同一地理区域的多时相影像表征同一地理区域、不同时间的高光谱影像。根据大小均为M×N×L的第一高光谱图像和第二高光谱图像，得到的大小为2×2×L的分块图像，进而对分块图像进行特征提取，得到大小为3×MN的特征矩阵，籍此，有效降低后续数据处理的复杂度和噪声。
图2为根据本申请的一些实施例提供的基于半非负矩阵分解的高光谱图像变化检测方法中步骤S101的流程示意图；如图2所示，对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到分块图像的特征矩阵，包括：
步骤S111、对根据第一高光谱图像和第二高光谱图像生成的差分图像进行分块，得到分块图像；
在一具体的例子中，对第一高光谱图像和第二高光谱图像的波段逐个相减，得到差分图像。比如，分别用Y1、Y2表示第一高光谱图像和第二高光谱图像，其中，Y1表示变化前的图像，Y2表示变化后的图像；用Yd表示差分图像(包含光谱变化信息)，则差分图像Yd可由变化前、后图像的逐个波段相减得到，即Yd＝|Y2-Y1|。
在本申请实施例中，在对差分图像分块时，通过获取差分图像每个像素以及该像素的二阶邻域，与其它波段对应的像素构成一个2×2×L的图像等。将差分图像Yd划分为2×2×L的不重叠块，每个2×2×L的不重叠块可以包含不变数据、变化数据、混合数据(变化数据和不变数据的混合)三种不同类型数据中的一种。其中，不变数据和变化数据是2×2×L的不重叠块完全定位在差分图像Yd的变化区域和不变区域；混合数据是将2×2×L的不重叠块的局部变化定位在差分图像Yd的变化区域和不变区域的边界上。
步骤S121、采用仿射集拟合，对分块图像进行特征提取，得到特征矩阵。
在本申请实施例中，通过仿射集拟合分块图像进行特征提取，实现数据降维，有效降低数据后续处理的复杂度和噪声；而且，在对数据中嵌入的信息进行提取时，提取降维后的数据集中嵌入的信息比提取原始数据集中嵌入的信息的效果要高，且不容易丢失信息。因而，通过仿射集拟合，有效提高了特征提取的效率以及数据提取的准确度。
在本申请实施例中，用X表示3×MN大小的特征矩阵，特征矩阵X中的3个特征向量分别与分块图像中包含的不变数据、变化数据、混合数据相对应，其中，一个特征向量表示一种类型的数据。
步骤S102、基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，得到非负矩阵，其中，非负矩阵的大小为2×MN；
在本申请实施例中，采用半非负矩阵(Semi-NMF)对数据进行聚类，保证特征矩阵X的非负性；采用近似交替优化(Proximal Alter-native Optimization，简称PAO)算法将特征矩阵X分解为无约束矩阵F和非负矩阵G的非凸问题转化为两个凸问题(无约束矩阵子问题和非负矩阵子问题)，提高约束矩阵F和非负矩阵G的求解效率。具体的，基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，生成无约束矩阵子问题和非负矩阵子问题，并对无约束矩阵子问题和非负矩阵子问题进行迭代求解，得到非负矩阵。
在本申请实施例中，通过对无约束矩阵子问题和非负矩阵子问题进行循环迭代求解，响应于无约束矩阵子问题和非负矩阵子问题连续两次迭代结果的相对差小于0.001，停止迭代，得到无约束矩阵F和非负矩阵G。
在一应用场景中，对无约束矩阵子问题和非负矩阵子问题进行迭代求解具体为：基于最小二乘法，对无约束矩阵子问题进行迭代求解，得到无约束矩阵；基于交替方向乘子法，对非负矩阵子问题进行迭代求解，得到非负矩阵。具体的，首先，根据随机初始化得到非负矩阵G，基于最小二乘法，求解无约束矩阵子问题，得到无约束矩阵F；然后，根据得到的无约束矩阵F，基于交替方向乘子法，求解非负矩阵子问题，得到新的非负矩阵G；然后，根据新的非负矩阵G，基于最小二乘法，求解无约束矩阵子问题，得到新的无约束矩阵F，依次循环迭代，直至无约束矩阵子问题和非负矩阵子问题连续两次迭代结果的相对差小于0.001，停止迭代。
在另一应用场景中，响应于基于交替方向乘子法，对非负矩阵子问题进行迭代求解达到预设迭代次数，停止迭代。籍此，有效避免对无约束矩阵子问题和非负矩阵子问题的求解陷入死循环，提高迭代效率。比如，将交替方向乘子法的迭代次数设置为30次，通过迭代次数与最小误差，来保证迭代过程的收敛性。
在本申请实施例中，通过保持G不变来更新迭代F，如下公式(1)所示：
Figure BDA0003086001800000061
其中，k代表PAO算法的迭代次数，λp为权重，Fp为F上一次迭代的值，由于F无约束条件，所以采用最小二乘法来求解式(1)凸优化问题，可得：
Fk+1＝(XGT+λpFp)(GGT+λpI)-1……………………(2)
然后，通过保持F不变来更新迭代G，如下公式(3)所示，：
Figure BDA0003086001800000062
其中，Gp为G上一次迭代的值，在此使用交替方向乘子法来获得G，交替方向乘子法迭代次数设置为30次，用迭代次数与最小误差保证收敛性。可得到：
Figure BDA0003086001800000063
式中，I+(V)为V非负投影函数，增广拉格朗日形式可以写为：
Figure BDA0003086001800000071
式中，H代表对偶变量，η表示增广型拉格朗日系数，那么它的迭代方式为：
Gj+1∈arg min L(G,Vj,Hj)……………………………(6)
Vj+1∈arg min L(Gj+1,V,Hj)……………………………(7)
Hj+1＝Hj+η(Gj+1-Vj+1)……………………………(8)
式中，j代表交替方向乘子法的迭代次数。计算表达式为：
Figure BDA0003086001800000072
Figure BDA0003086001800000073
Hj+1＝Hj+η(Gj+1-Vj+1)…………………………(11)
式中，
Figure BDA0003086001800000074
为齐次对偶变量。
Figure BDA0003086001800000075
投影到第一象限，负数设为0，可得：
Figure BDA0003086001800000076
通过交替上述步骤进行迭代求解，即可得到无约束矩阵F和非负矩阵G，当连续两次更新的相对误差低于0.001，停止迭代。
步骤S103、对根据非负矩阵得到的变化图像矩阵进行转换，得到二值变化图；其中，变化图像矩阵的大小为M×N，二值变化图表征第一高光谱图像和第二高光谱图像之间的图像变化。
在本申请实施例中，通过对非负矩阵的两行进行对应比较得到的MN维向量进行还原，得到变化图像矩阵。具体的，通过比较非负矩阵G的每一列确定变化类数据和不变类数据，用c表示比较得到的MN维向量，则
Figure BDA0003086001800000077
其中，c(t)为MN维向量c中的值。
在本申请实施例中，在得到MN维向量c之后，将MN维向量c还原为M×N的矩阵，即变化图像矩阵，即可得到二值变化图，以表示两幅高光谱图像Y2、Y1在采集日期之间地面上发生的变化。
在本申请实施例中，数字图像可以表示为矩阵的形式，通常用二维数组来存放图像数据，二维数组的行对应图像的高，二维数组的列对应图像的宽，二维数组的元素对应图像的像素，二维数组元素的值就是图像的像素值。
本申请实施例，通过引入仿射集拟合对多时相影像的差分图像进行特征提取，实现了噪声以及空间上下文信息的有效处理，利用近似交替优化与交替方向乘子法，对非负矩阵进行高效求解，有效提高了多时相影像的变化检测效率，具有更好的监测性能，更少的错检数和更小的误差。
示例性***
图3为根据本申请的一些实施例提供的一种基于半非负矩阵分解的高光谱图像变化检测***的示意图；如图3所示，该基于半非负矩阵分解的高光谱图像变化检测***包括：图像分块单元301、矩阵分解单元302和转换单元303，图像分块单元301配置为对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到分块图像的特征矩阵，其中，第一高光谱图像和第二高光谱图像为同一地理区域的多时相影像，大小均为M×N×L，M表示多时相影像的横轴的像素数，N表示多时相影像的纵轴的像素数，L表示波段数；分块图像的大小为2×2×L；特征矩阵的大小为3×MN；矩阵分解单元302，配置为基于近似交替优化算法，对特征矩阵进行半非负矩阵分解，得到非负矩阵，其中，非负矩阵的大小为2×MN；转换单元303配置为根据非负矩阵得到的变化图像进行转换，得到二值变化图；其中，二值变化图表征第一高光谱图像和第二高光谱图像之间的图像变化。
图4为根据本申请的一些实施例提供的图像分块单元的结构示意图；如图4所示，该图像分块单元包括：分块子单元311和拟合子单元321，分块子单元311配置为对根据第一高光谱图像和第二高光谱图像生成的差分图像进行分块，得到分块图像；拟合子单元321配置为采用仿射集拟合，对分块图像进行特征提取，得到特征矩阵。
在本申请实施例中所提供的基于半非负矩阵分解的高光谱图像变化检测***能够实现上述任一基于半非负矩阵分解的高光谱图像变化检测方法实施例的步骤、流程，且达到相同的有益效果，在此不再一一赘述。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，包括：
步骤S101、对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到所述分块图像的特征矩阵，其中，所述第一高光谱图像和所述第二高光谱图像为同一地理区域的多时相影像，大小均为M×N×L，M表示所述多时相影像的横轴的像素数，N表示所述多时相影像的纵轴的像素数，L表示波段数；所述分块图像的大小为2×2×L；所述特征矩阵的大小为3×MN；
步骤S102、基于近似交替优化算法，对所述特征矩阵进行半非负矩阵分解，得到非负矩阵，其中，所述非负矩阵的大小为2×MN；
步骤S103、对根据所述非负矩阵得到的变化图像矩阵进行转换，得到二值变化图；其中，所述变化图像矩阵的大小为M×N，所述二值变化图表征所述第一高光谱图像和所述第二高光谱图像之间的图像变化。
2.根据权利要求1所述的基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，步骤S101包括：
对根据所述第一高光谱图像和所述第二高光谱图像生成的差分图像进行分块，得到所述分块图像；
采用仿射集拟合，对所述分块图像进行特征提取，得到所述特征矩阵。
3.根据权利要求2所述的基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，在步骤S101中，
对所述第一高光谱图像的波段和所述第二高光谱图像的波段逐个相减，得到所述差分图像。
4.根据权利要求1所述的基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，步骤S102具体为：
基于近似交替优化算法，对所述特征矩阵进行半非负矩阵分解，生成无约束矩阵子问题和非负矩阵子问题，并对所述无约束矩阵子问题和所述非负矩阵子问题进行迭代求解，得到所述非负矩阵。
5.根据权利要求4所述的基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，在步骤S102中，响应于所述无约束矩阵子问题和所述非负矩阵子问题连续两次迭代结果的相对差小于0.001，停止迭代。
6.根据权利要求4所述的基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，对所述无约束矩阵子问题和所述非负矩阵子问题进行迭代求解具体为：
基于最小二乘法，对所述无约束矩阵子问题进行迭代求解，得到无约束矩阵；
基于交替方向乘子法，对所述非负矩阵子问题进行迭代求解，得到所述非负矩阵。
7.根据权利要求6所述的基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，在步骤S102中，响应于基于交替方向乘子法，对所述非负矩阵子问题进行迭代求解达到预设迭代次数，停止迭代。
8.根据权利要求1-7任一所述的基于半非负矩阵分解的高光谱图像变化检测方法，其特征在于，在步骤S103中：
对所述非负矩阵的两行进行对应比较得到的MN维向量进行还原，得到所述变化图像矩阵。
9.一种基于半非负矩阵分解的高光谱图像变化检测***，其特征在于，包括：
图像分块单元，配置为对根据第一高光谱图像和第二高光谱图像得到的分块图像进行特征提取，得到所述分块图像的特征矩阵，其中，所述第一高光谱图像和所述第二高光谱图像为同一地理区域的多时相影像，大小均为M×N×L，M表示所述多时相影像的横轴的像素数，N表示所述多时相影像的纵轴的像素数，L表示波段数；所述分块图像的大小为2×2×L；所述特征矩阵的大小为3×MN；
矩阵分解单元，配置为基于近似交替优化算法，对所述特征矩阵进行半非负矩阵分解，得到非负矩阵，其中，所述非负矩阵的大小为2×MN；
转换单元，配置为对根据所述非负矩阵得到的变化图像进行转换，得到二值变化图；其中，所述二值变化图表征所述第一高光谱图像和所述第二高光谱图像之间的图像变化。
CN202110580693.6A 2021-05-26 2021-05-26 基于半非负矩阵分解的高光谱图像变化检测方法和*** Active CN113378664B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110580693.6A CN113378664B (zh) 2021-05-26 2021-05-26 基于半非负矩阵分解的高光谱图像变化检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110580693.6A CN113378664B (zh) 2021-05-26 2021-05-26 基于半非负矩阵分解的高光谱图像变化检测方法和***

Publications (2)

Publication Number Publication Date
CN113378664A true CN113378664A (zh) 2021-09-10
CN113378664B CN113378664B (zh) 2024-07-12

Family

ID=77572086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110580693.6A Active CN113378664B (zh) 2021-05-26 2021-05-26 基于半非负矩阵分解的高光谱图像变化检测方法和***

Country Status (1)

Country Link
CN (1) CN113378664B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758201A (zh) * 2022-03-24 2022-07-15 长江三峡技术经济发展有限公司 一种高光谱图像分类的视觉转换方法和***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101252693A (zh) * 2008-03-24 2008-08-27 北京邮电大学 基于图像直方图的码率控制方法
CN103955926A (zh) * 2014-04-22 2014-07-30 西南交通大学 基于Semi-NMF的遥感图像变化检测方法
CN103971132A (zh) * 2014-05-27 2014-08-06 重庆大学 应用二维非负稀疏偏最小二乘进行人脸识别的方法
CN104952050A (zh) * 2015-07-07 2015-09-30 西安电子科技大学 基于区域分割的高光谱图像自适应解混方法
CN108388863A (zh) * 2018-02-27 2018-08-10 南昌工程学院 一种高光谱遥感图像混合像元分解方法
WO2020118708A1 (zh) * 2018-12-14 2020-06-18 深圳大学 基于e辅助函数的半非负矩阵分解的人脸识别方法、***及存储介质
CN112712034A (zh) * 2020-12-30 2021-04-27 声耕智能科技(西安)研究院有限公司 一种高光谱图像的解混方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101252693A (zh) * 2008-03-24 2008-08-27 北京邮电大学 基于图像直方图的码率控制方法
CN103955926A (zh) * 2014-04-22 2014-07-30 西南交通大学 基于Semi-NMF的遥感图像变化检测方法
CN103971132A (zh) * 2014-05-27 2014-08-06 重庆大学 应用二维非负稀疏偏最小二乘进行人脸识别的方法
CN104952050A (zh) * 2015-07-07 2015-09-30 西安电子科技大学 基于区域分割的高光谱图像自适应解混方法
CN108388863A (zh) * 2018-02-27 2018-08-10 南昌工程学院 一种高光谱遥感图像混合像元分解方法
WO2020118708A1 (zh) * 2018-12-14 2020-06-18 深圳大学 基于e辅助函数的半非负矩阵分解的人脸识别方法、***及存储介质
CN112712034A (zh) * 2020-12-30 2021-04-27 声耕智能科技(西安)研究院有限公司 一种高光谱图像的解混方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHRIS DING 等: "Convex and Semi-Nonnegative Matrix Factorizations", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, 31 January 2010 (2010-01-31), pages 45 - 55 *
FENG GAO 等: "Change Detection in SAR Images Based on Deep Semi-NMF and SVD Networks", 《REMOTE SENSING》, pages 1 - 20 *
孙旭光;蔡敬菊;徐智勇;张建林;: "基于非负矩阵分解的高光谱图像混合像元分解", 《光电工程》, vol. 39, no. 12, pages 97 - 102 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114758201A (zh) * 2022-03-24 2022-07-15 长江三峡技术经济发展有限公司 一种高光谱图像分类的视觉转换方法和***

Also Published As

Publication number Publication date
CN113378664B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
US11688036B2 (en) Generation of synthetic high-elevation digital images from temporal sequences of high-elevation digital images
Chen et al. Spatially and temporally weighted regression: A novel method to produce continuous cloud-free Landsat imagery
CN101604018B (zh) 高分辨率遥感影像数据处理方法及其***
CN111161199B (zh) 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法
Wang et al. Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China
CN112130169B (zh) 一种激光雷达数据和高光谱图像的点云级融合方法
CN115236655B (zh) 基于全极化sar的滑坡识别方法、***、设备及介质
CN103488968A (zh) 遥感图像的混合像素物质构成精细化分解装置及方法
Kluger et al. Two shifts for crop mapping: Leveraging aggregate crop statistics to improve satellite-based maps in new regions
Nivedita Priyadarshini et al. A comparative study of advanced land use/land cover classification algorithms using Sentinel-2 data
CN104899897A (zh) 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法
Sabo et al. Comparison of built‐up area maps produced within the global human settlement framework
CN113838064B (zh) 一种基于分支gan使用多时相遥感数据的云去除方法
CN111062267B (zh) 一种时间序列遥感影像降维方法
Cao et al. A full-level fused cross-task transfer learning method for building change detection using noise-robust pretrained networks on crowdsourced labels
CN106097252A (zh) 基于图Graph模型的高光谱图像超像素分割方法
CN115496662A (zh) 基于光谱信息融合的高阶张量光谱图像超分辨率重建方法
CN113378664B (zh) 基于半非负矩阵分解的高光谱图像变化检测方法和***
Gruszczyński et al. Application of convolutional neural networks for low vegetation filtering from data acquired by UAVs
CN109948697B (zh) 利用众源数据辅助遥感影像分类提取城市建成区的方法
Guo et al. A flexible object-level processing strategy to enhance the weight function-based spatiotemporal fusion method
Kathirvelu et al. Spectral unmixing based random forest classifier for detecting surface water changes in multitemporal pansharpened Landsat image
Sabo et al. Inter-sensor comparison of built-up derived from Landsat, Sentinel-1, Sentinel-2 and SPOT5/SPOT6 over selected cities
Antropov et al. Classification of wide-area SAR mosaics: Deep learning approach for CORINE based mapping of Finland using multitemporal Sentinel-1 data
CN112819909B (zh) 基于低分辨率先验光谱图像区域分割的自适应编码方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant